implementasi wavelet haar dan jaringan syaraf tiruan pd pengenalan pola selaput pelangi mata jurnal
58
JNTETI, Vol. 3, No. 1, Februari 2014
Implementasi Wavelet Haar dan Jaringan Tiruan Pada
Pengenalan Pola Selaput Pelangi Mata
Yuwono Indro Hatmojo1
Abstract—Eye iris pattern recognition is widely used for the
purpose of identifying a person's identity. This is can be done
because the iris is unique and has a high consistency and stability
for years without changing. In this research we will perform iris
image pattern recognition by the Haar level 3 wavelet transforms
and the LVQ neural networks. This research is expected to know
the iris images pattern recognition systems which are more
effective; efficient also requires a short time in matching process
on this method. The object in this research is the PNG color
images with size of 128 x 128 pixels. Parameters used in this
research are to varying value of learning rate 0.01 and 0.05, the
number of neurons 30 and 40; and epoch value 100 and 200. The
values of these parameters will be varied so that the obtained
parameter values are the most effective, efficient and a relatively
requires short time in the process of the iris image pattern
recognition.Based on testing performed, the Haar level 3 wavelet
transform combined with LVQ neural network in the process of
finding the iris images. The method also gives fast matching
process and high accuracy level. Changes in the values of
learning rate, number of neurons and epoch value affect network
performance. The iris matching process has the fastest time of
2.15 seconds and the higher of accuracy of 87% when the value of
learning rate 0.01; the number of neurons 40 as well as the epoch
value 100.
Intisari—Pengenalan pola selaput pelangi mata atau citra iris
mata banyak digunakan untuk tujuan mengidentifikasi identitas
seseorang karena iris mata memiliki keunikan, kekonsistenan
dan kestabilan yang tinggi bertahun-tahun.Pada penelitian ini
akan dilakukan proses pengenalan citra iris mata dengan metode
alihragam gelombang singkat wavelet Haar level 3 dan Jaringan
syaraf tiruan jenis LVQ, diharapkan akan mengetahui sistem
pengenalan pola citra iris mata yang membutuhkan waktu yang
singkat dalam proses pencocokannya dengan menggunakan
metode tersebut. Obyek dalam penelitian ini adalah citra iris
mata berwarna jenis PNG dengan ukuran piksel 128 x 128.
Parameter yang digunakan ialah dengan menvariasikan nilai
learning rate 0,01 dan 0,05; jumlah neuron 30 dan 40; serta nilai
epoh 100 dan 200. Nilai-nilai parameter tersebut divariasikan
sehingga akan didapatkan nilai-nilai parameter yang paling
efektif dan efisien serta waktu yang relatif singkat dalam proses
pengenalan pola citra iris tersebut.Hasil pengujian yang
dilakukan pada metode alihragam gelombang singkat jenis Haar
level 3 yang dipadukan dengan jaringan syaraf tiruan jenis LVQ
dapat berfungsi dengan baik dalam proses pencarian citra iris
mata. Metode tersebut memberikan kecepatan pencocokan yang
pendek dan tingkat keakuratan yang tinggi. Perubahan nilai
learning rate, jumlah neuron dan nilai epoh ternyata
mempengaruhi kinerja jaringan. Kecepatan pencocokan citra
1
Jurusan PT. Elektro, FT, Universitas Negeri Yogyakarta,
Kampus Karang Malang, Yogyakarta, 55281
ISSN 2301 – 4156
iris mata memiliki waktu tercepat yaitu 2,15 detik dan tingkat
keakuratan atau keberhasilan pencarian citra iris tertinggi yaitu
87% pada saat nilai learning rate 0,01; jumlah neuron 40 serta
nilai epoh 100.
Kata Kunci—alihragam wavelet Haar, jaringan syaraf tiruan
LVQ, citra iris
I. PENDAHULUAN
Salah satu bagian tubuh manusia yang bersifat unik dan
bisa dijadikan sebagai media keamanan adalah iris atau
selaput pelangi pada mata manusia. Letak selaput pelangi ini
berada diantara kornea dan lensa mata. Selaput pelangi ini
sendiri akan terlihat oleh mata telanjang dari luar mata dan
memiliki pola tertentu.
Metode-metode yang telah digunakan dalam sistem
pengenalan citra iris mata diantaranya dengan menggunakan
neuro fuzzy (Dwi Kris, 2008), JST backpropagation (Geraldi,
2008), wavelet features (Jaemin Kim, 2004), correlation
filters, circular symmetric filters (Vijaya Kumar, 2003).
Sistem pengenalan pola citra iris ini dapat dilakukan
dengan berbantukan komputer, yaitu dengan membangun
sebuah sistem pengenalana pola iris (iris recognition).
Diagram sistem pengenalan pola iris dapat dilihat pada Gbr. 1.
Pada Gbr. 1 dapat dilihat bahwa keberhasilan dalam
pengenalan pola iris mata sangat ditentukan oleh metode yang
digunakan dalam proses pengenalan pola iris tersebut. Pada
tahapan pra-pengolahan, bertujuan untuk memperbaiki
kualitas citra iris sehingga sesuai dengan penyajian data yang
diinginkan. Perbaikan kualitas citra iris ini diantaranya untuk
mempertajan ciri citra iris sehingga hasilnya mudah untuk
dideteksi. Perbaikan citra iris ini meliputi aras keabuan,
penajaman citra iris keabuan tersebut.
Ekstraksi ciri digunakan untuk mendapatkan dan
membedakan ciri dari masing-masing data. Ciri-ciri tersebut
bertujuan untuk membedakan suatu objek sehingga bisa
dikategorikan dalam suatu kelompok tertentu. Hasil dari
ekstraksi ciri tersebut kemudian digunakan sebagai masukan
dalam proses klasifikasi.
Klasifikasi digunakan untuk mengelompokan data inputan
menjadi beberapa kelompok sesuai dengan ciri dari masingmasing data. Penggunaan jaringan syaraf tiruan merupakan
salah satu cara dalam pengklasifikasian. Jaringan syaraf tiruan
jenis LVQ (Learning Vector Quantization) merupakan salah
satu jenis jaringan syaraf tiruan dengan pembelajaran
terbimbing. Tahapan pasca pengolahan merupakan hasil dari
proses klasifikasi yang kemudian berisi sebuah rekomendasi
untuk menentukan sebuah keputusan.
Implementasi Wavelet Haar …
JNTETI, Vol. 3, No. 1, Februari 2014
59
2) Ekstraksi Ciri: Dalam penelitian ini digunakan ciri-ciri
statistik sebagai vektor ciri citra. Citra hasil dekomposisi
wavelet haar level 3 kemudian di pecah menjadi 4 bagian,
seperti Gbr. 3 di bawah ini.
1
1
1
11
33
42
39
40
Gbr. 1 Diagram sistem pengenalan pola iris
II. METODE PENELITIAN
A. Bahan Penelitian
Data citra iris adalah citra iris diperoleh dengan dari basis
data yang diperoleh dengan di download di alamat
http://phoenix.inf.upol.cz/iris/download.
B. Alat Penelitian
Alat/perangkat yang digunakan dalam penelitian ini adalah
komputer dengan spesifikasi cukup untuk menjalankan
perangkat lunak Matlab 7.1 di atas sistem operasi Windows 7.
C. Jalan Penelitian
Langkah-langkah atau tahap-tahap yang dilakukan pada
penelitian ini secara lengkap diperlihatkan pada Gbr. 2.
Gbr. 2 Diagram blok jalannya penelitian
1) Pra-pengolahan: Proses pre pocessing yang dilakukan
adalah dengan mengubah citra iris mata menjadi keabuan
(grayscale). Hal tersebut dilakukan guna meningkatkan
kualitas citra iris mata. Setelah citra iris diubah menjadi aras
keabuan (grayscale), selanjutnya dilakukan proses histogram
pada citra tersebut. Tujuan dari histogram citra ini adalah guna
meningkatkan kualitas tampilan citra untuk pandangan
manusia atau untuk mengkonversi suatu citra agar memiliki
format yang lebih baik sehingga citra tersebut menjadi lebih
mudah diolah dengan komputer (Darma Putra: 119).
Yuwono Indro Hatmojo: Implementasi Wavelet Haar dan ….
1
1
40
49
33
31
35
32
1
59
48
38
37
39
39
38
50
60
37
38
33
31
33
34
59
48
39
31
27
31
33
34
40
38
36
31
32
33
34
37
41
37
33
30
29
34
31
36
46
40
34
30
31
26
31
39
Gbr. 3 Penentuan ciri-ciri statistik dari citra iris mata hasil dekomposisi
wavelets haar level 3
Ciri-ciri statistik yang digunakan adalah rerata dan standar
deviasi dari masing-masing citra iris. Proses ekstraksi ciri
diperlihatkan pada Gbr. 3. Ektsraksi ciri digunakan untuk
membedakan ciri dari masing-masing data. Untuk keperluan
ekstraksi ciri dibuat sebuah fungsi Matlab yang digunakan
untuk mengekstrak ciri-ciri yang dimaksud dari setiap sampel,
untuk semua sampel yang ada. Ciri-ciri tersebut kemudian
disimpan dan akan digunakan dalam tahap selanjutnya yaitu
tahap klasifikasi.
3) Klasifikasi: Pada tahap klasifikasi dilakukan pelatihan
jaringan LVQ yang bertujuan untuk menentukan set ciri citra
latih dan menentukan kestabilan dari jaringan tersebut dan
membedakan citra pustaka. Selain itu juga dilakukan
pengujian jaringan LVQ yang telah dilatih dengan
menggunakan citra uji untuk mendeteksi set ciri pada citra uji
tersebut. Gbr. 4 memperlihatkan Diagram blok dalam tahap
klasifikasi.
Gbr. 4 Diagram blok tahap klasifikasi
Pada penelitian ini digunakan pengklasifikasi LVQ
(Learning Vector Quantization). Peneliti ingin mengetahui
kinerja pengklasifikasi LVQ dalam pengenalan pola citra
selaput pelangi mata dari masing-masing citra pustaka.
Jaringan LVQ yang digunakan dibangun menggunakan
program Matlab dan dirancang dengan lapisan-lapisan inputoutput sebagai berikut.
1. Delapan unit pada lapisan input
Hal ini untuk mengakomodasi jumlah maksimum ciri
yang diekstrak dari sampel citra (rerata, standar deviasi).
Dari masing-masing citra dibagi menjadi empat bagian
ISSN 2301 - 4156
60
JNTETI, Vol. 3, No. 1, Februari 2014
dan masing-masing bagian terdiri dari ciri citra yaitu
rerata dan standar deviasi. Ciri-ciri dari setiap sampel
direpresentasikan dalam sebuah vektor sebagai berikut:
Xi = [x1, x2, x3, x4, x5, x6, x7, x8]
dengan
x1 = rerata (bagian 1),
x2 = Standar Deviasi (bagian 1),
x3 = rerata (bagian 2),
x4 = Standar Deviasi (bagian 2),
x5 = rerata (bagian 3),
x6 = Standar Deviasi (bagian 3),
x7 = rerata (bagian 4),
x8 = Standar Deviasi (bagian 4)
Lima belas unit (neuron) pada lapisan output.
Citra hasil dikelompokan menjadi lima belas keluaran
yaitu y1, y2, y3, sampai dengan y15 dan masing-masing data
keluaran akan ditentukan masuk kegolongan kelompok berapa.
B. Ekstraksi Ciri
Setelah citra iris warna dirubah menjadi citra keabuan.
Kemudian dilakukan proses alihragam gelombang singkat
wavelets. Alihragam ini bertujuan untuk mendapatkan ciri
citra iris.
2.
Gbr. 7 Dekomposisi wavelets Haar level 3
III. HASIL PENELITIAN DAN PEMBAHASAN
A. Pra-pengolahan
Pada pra pengolahan data citra iris, masukan citra yang
digunakan adalah menggunakan citra warna (RGB) dengan
dimensi 128 x 128 piksel. Selanjutnya citra tersebut diubah
menjadi aras keabuan (grayscale). Citra dengan format
grayscale kemudian dilakukan proses hitogram.
i=150;
for i=1:n
namafile=sprintf('%i.png',i);
I=imread(namafile);
I2=rgb2gray(I);
I1=histeq(J);
Data yang digunakan dalam penelitian ini adalah 150 data
citra iris RGB. Pemanggilan data citra tersebut dalam proses
pengubahan menjadi aras keabuan dilakukan secara otomatis
melalui pemanggilan nama file. Contoh hasil dari proses pra
pengolahan dari citra iris RGB menjadi citra iris keabuan
dapat dilihat pada Gbr. 5. Hasil histogram dari citra keabuan
tersebut dapat dilihat pada Gbr. 6.
1 64
70 152
167 147
155 82
108 51
72
47
52
44
46
45
121
145
79
54
50
40
39
38
116
92
52
46
44
37
37
40
98
60
44
43
34
35
37
39
82
53
41
36
30
34
37
33
72 71
50 58
42 43
35 33
32 32
36 37
35 41
44 136
Rerata = 60,4063
Standar Deviasi = 36.4081
Gbr. 8 Penentuan ciri-ciri statistik dari citra iris mata hasil dekompposisi
wavelets haar level 3
Gbr. 5 Citra Grayscale dari citra iris mata
Pemilihan ciri bertujuan untuk mendapatkan ciri citra iris
yang akan digunakan untuk merepresentasikan citra tersebut.
Agar bisa dikenali oleh komputer, maka citra iris harus diubah
menjadi fungsi diskret dengan proses pemindaian yang
dilakukan dengan kamera digital. Tahapan pemilihan ciri pada
penelitian ini yaitu citra iris keabuan dengan alihragam
wavelets untuk mereduksi dimensi citra. Dengan
menggunakan wavelets Haar level 3, citra iris keabuan dengan
ukuran 128 x 128 piksel, akan direduksi dimensi citra tersebut
menjadi ukuran 16 x 16 piksel. Ciri citra akan dimunculkan
dari citra hasil dengan ukuran 16 x 16 piksel tersebut,
kemudian dibagi menjadi empat bagian. Selanjutnya masingmasing bagian akan ditentukan nilai rerata dan standar
deviasinya.
Gbr. 6 Citra hasil histogram
C. Klasifikasi
Data citra iris yang telah memiliki ciri, kemudian dilatihkan
pada jaringan syaraf tiruan LVQ. Masing-masing data citra iris
memiliki empat bagian data, dan masing-masing bagian terdiri
dari 2 data ciri yang diambil dari nilai statistik yaitu rerata dan
standar deviasi. Sehingga, dari masing-masing data citra iris
ISSN 2301 – 4156
Implementasi Wavelet Haar …
JNTETI, Vol. 3, No. 1, Februari 2014
tersebut memiliki 8 jenis data, dan masing-masing data
tersebut akan menjadi data inputan pada jaringan syaraf tiruan
LVQ.
Xi= [60.4063 36.4081 55.9219 34.3693 70.6406 47.5963
68.2656 46.0680]
i
= data ke – i; untuk i=1 sampai 150
61
TABEL I
PENGENALAN CITRA IRIS DENGAN LEARNING RATE 0,01; JUMLAH NEURON
TERSEMBUNYI 40; DAN EPOH 100
No.
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
Pelatihan pada jaringan syaraf tiruan LVQ tersebut
dilakukan dengan terbimbing. Pelatihan jaringan juga telah
ditentukan jumlah kelasnya yaitu sebanyak 15 kelas target.
Hasil grafik pengklasifikasian terlatih selanjutnya dilakukan
dengan merubah beberapa parameter pada jaringan yaitu
Learning rate, jumlah neuron, dan epoh pelatihan. Nilai
parameter yang digunakan untuk melatih jaringan adalah nilai
learning rate 0,01 dan 0,05; jumlah neuron 30 dan 40; serta
epoh pelatihan 100 dan 200
Hasil pelatihan pada proses klasifikasi dengan nilai
Learning rate 0,01; jumlah Neuron 40; dan epoh pelatihan
100, didapatkan grafik di bawah ini.
Data
Uji
Uji1
Uji2
Uji3
Uji4
Uji5
Uji6
Uji7
Uji8
Uji9
Uji10
Uji11
Uji12
Uji13
Uji14
Uji15
Ratarata
Waktu
(detik)
2,15
2,76
2,76
2,51
2,46
2,28
2,47
2,66
2,48
2,34
2,73
2,50
2,39
2,60
2,40
Keterangan
B
B
B
B
B
B
B
B
B
G
B
B
B
G
B
2,50
Kecocokan
(%)
100
100
100
100
100
100
100
100
100
0
100
100
100
0
100
87
Keterangan: B (Berhasil ditemukan); G (Gagal ditemukan)
Gbr. 9 Grafik Pengklasifikasian terlatih dengan learning rate 0,01; jumlah
neuron 40; dan epoh pelatihan 100
Grafik pengklasifikasian terlatih untuk learning rate
0,01; jumlah neuron 40; dan epoh pelatihan 100 menunjukan
bahwa jaringan mendekati stabil setelah 75 epoh. Namun
setelah epoh 75, grafik masih mengalami riple sampai dengan
epoh 100. Hal tersebut menunjukkan bahwa sampai epoh ke
75, jaringan mendekati kestabilan, namun dengan data
pelayihan sebanyak 150 dengan 15 kelas masih mengalami
pergeseran pengelompokan kelas dan jarak antara anggota
kelas belum sama.
1) Pengujian: Pengujian jaringan LVQ dilakukan
menggunakan 15 citra uji. Pada Tabel I ditunjukkan bahwa
proses pengenalan citra iris menggunakan beberapa citra uji
dengan wavelets haar dan jaringan syaraf tiruan model LQV
untuk learning rate 0,01; jumlah neuron 40 serta epoh 100
memiliki rata-rata waktu pengenalan 2,50 detik. Untuk citra
uji 10 dan 14 mengalami kegagalan dalam menemukan citra.
Pengenalan citra tercepat pada data uji 1 dengan keberhasilan
100%. Kecocokan dalam proses pengenalan citra iris rata-rata
87%.
Yuwono Indro Hatmojo: Implementasi Wavelet Haar dan ….
IV. KESIMPULAN
Berdasarkan hasil penelitian dan pembahasan dapat ditarik
kesimpulan sebagai berikut:
A. Penggunaan nilai-nilai statistik dari transformasi wavelet
Haar level 3 mampu digunakan dalam pengenalan pola iris
mata.
B. Penggunaan nilai-nilai statistic berupa rerata dan standar
deviasi mampu digunakan untuk pengenalan pola citra iris
mata dalam proses klasifikasi menggunakan LVQ.
C. Proses peningkatan citra iris mata dengan menggunakan
gelombang singkat (wavelet) Haar yang dipadukan dengan
jaringan syaraf tiruan LVQ terhadap pengenalan pola citra
iris dengan berbagai nilai learning rate, jumlah neuron dan
epoh pelatihan menunjukan bahwa:
1) Terjadi peningkatan prosentase pengenalan dari 67%
meningkat menjadi 87%.
2) Terjadi peningkatan kecepatan waktu dalam
pengenalan dari 2,33 detik meningkat menjadi 2,15
detik.
3) Peningkatan prosentase pengenalan dan kecepatan
waktu pengenalan tersebut terjadi pada jaringan dengan
nilai learning rate 0,01; jumlah neuron 40 dan epoh
pelatihan 100
REFERENSI
[1]
[2]
[3]
[4]
Li Ma, Yunhong Wang, Tieniu Tan, Iris Recognition Using Circular
Symmetric Filters, National Laboratory of Pattern Recognition,
Institute of Automation, Chinese Academy of Sciences, China
Kim. J, Cho. S, Choi. J, ROBERT J. MARKS II, Iris Recognition
Using Wavelet Features, Journal of VLSI Signal Processing 38, 147–
156, 2004, Kluwer Academic Publishers. Manufactured in The
Netherlands
Li Ma, Yunhong Wang, Tieniu Tan, Iris Recognition Based on Multi
channel Gabor Filtering, The 5th Asian Conference on Computer
Vision, 23--25 January 2002, Melbourne, Australia.
C. H. Daouk, L. A. El-Esber, F. D. Kammoun and M. A. Al Alaoui,
IRIS RECOGNITION, IEEE ISSPIT 2002
ISSN 2301 - 4156
62
[5]
[6]
[7]
[8]
[9]
JNTETI, Vol. 3, No. 1, Februari 2014
Daugman. J., How Iris Recognition Works,
www.CL.cam.ac.uk/users/jgd1000 diambil tanggal 15 januari 2005.
Gede, Kanata, Pengenalan Citra Sidik Jari Berbasis Transformasi
Wavelet dan Jaringan Syaraf Tiruan,
http://puslit.petra.ac.id/journals/electrical diambil tanggal 15 januari
2005
Putra, Darma, Pengolahan Citra Digital, Andi Offset, 2010
Maimunah, Harjoko, Sistem Pengenalan Iris mata Manusia dengan
Menggunakan Transformasi Wavelet, Seminar Nasional Aplikasi
Teknologi Informasi, 2007
Yustisia, Rosmalinda, Jaringan Syaraf Tiruan Learning Vector
Quantization untuk Aplikasi Pengenalan Tanda Tangan, Seminar
Nasional Aplikasi Teknologi Informasi, 2007
ISSN 2301 – 4156
[10] Isnanto Rizal, Identifikasi Iris Mata menggunakan Tapis Gabor
Wavelets dan Jaringan Syaraf Tiruan Learning Vector Quantization
(LVQ), Artikel Ilmiah Terpublikasi, Universitas Diponegoro, 2009
[11] Oktio Geraldi, Identifikasi Iris Mata Menggunakan Metode Jaringan
Syaraf Tiruan, Skripsi, Universitas Indonesia, 2008
[12] Ronald; Rizal; Ary M, Pengenalan Identitas Manusia melalui Pola Iris
Mata menggunakan Transformasi Wavelet dan Mahalanobis Distance,
Konferensi Nasional Sistem dan Informatika, Bali, 2008.
[13] Anonim, 2013, Petunjuk Penulisan Usulan Penelitian dan Tesis,
Program Pascasarjana Universitas Gadjah Mada Yogyakarta.
Implementasi Wavelet Haar …
JNTETI, Vol. 3, No. 1, Februari 2014
Implementasi Wavelet Haar dan Jaringan Tiruan Pada
Pengenalan Pola Selaput Pelangi Mata
Yuwono Indro Hatmojo1
Abstract—Eye iris pattern recognition is widely used for the
purpose of identifying a person's identity. This is can be done
because the iris is unique and has a high consistency and stability
for years without changing. In this research we will perform iris
image pattern recognition by the Haar level 3 wavelet transforms
and the LVQ neural networks. This research is expected to know
the iris images pattern recognition systems which are more
effective; efficient also requires a short time in matching process
on this method. The object in this research is the PNG color
images with size of 128 x 128 pixels. Parameters used in this
research are to varying value of learning rate 0.01 and 0.05, the
number of neurons 30 and 40; and epoch value 100 and 200. The
values of these parameters will be varied so that the obtained
parameter values are the most effective, efficient and a relatively
requires short time in the process of the iris image pattern
recognition.Based on testing performed, the Haar level 3 wavelet
transform combined with LVQ neural network in the process of
finding the iris images. The method also gives fast matching
process and high accuracy level. Changes in the values of
learning rate, number of neurons and epoch value affect network
performance. The iris matching process has the fastest time of
2.15 seconds and the higher of accuracy of 87% when the value of
learning rate 0.01; the number of neurons 40 as well as the epoch
value 100.
Intisari—Pengenalan pola selaput pelangi mata atau citra iris
mata banyak digunakan untuk tujuan mengidentifikasi identitas
seseorang karena iris mata memiliki keunikan, kekonsistenan
dan kestabilan yang tinggi bertahun-tahun.Pada penelitian ini
akan dilakukan proses pengenalan citra iris mata dengan metode
alihragam gelombang singkat wavelet Haar level 3 dan Jaringan
syaraf tiruan jenis LVQ, diharapkan akan mengetahui sistem
pengenalan pola citra iris mata yang membutuhkan waktu yang
singkat dalam proses pencocokannya dengan menggunakan
metode tersebut. Obyek dalam penelitian ini adalah citra iris
mata berwarna jenis PNG dengan ukuran piksel 128 x 128.
Parameter yang digunakan ialah dengan menvariasikan nilai
learning rate 0,01 dan 0,05; jumlah neuron 30 dan 40; serta nilai
epoh 100 dan 200. Nilai-nilai parameter tersebut divariasikan
sehingga akan didapatkan nilai-nilai parameter yang paling
efektif dan efisien serta waktu yang relatif singkat dalam proses
pengenalan pola citra iris tersebut.Hasil pengujian yang
dilakukan pada metode alihragam gelombang singkat jenis Haar
level 3 yang dipadukan dengan jaringan syaraf tiruan jenis LVQ
dapat berfungsi dengan baik dalam proses pencarian citra iris
mata. Metode tersebut memberikan kecepatan pencocokan yang
pendek dan tingkat keakuratan yang tinggi. Perubahan nilai
learning rate, jumlah neuron dan nilai epoh ternyata
mempengaruhi kinerja jaringan. Kecepatan pencocokan citra
1
Jurusan PT. Elektro, FT, Universitas Negeri Yogyakarta,
Kampus Karang Malang, Yogyakarta, 55281
ISSN 2301 – 4156
iris mata memiliki waktu tercepat yaitu 2,15 detik dan tingkat
keakuratan atau keberhasilan pencarian citra iris tertinggi yaitu
87% pada saat nilai learning rate 0,01; jumlah neuron 40 serta
nilai epoh 100.
Kata Kunci—alihragam wavelet Haar, jaringan syaraf tiruan
LVQ, citra iris
I. PENDAHULUAN
Salah satu bagian tubuh manusia yang bersifat unik dan
bisa dijadikan sebagai media keamanan adalah iris atau
selaput pelangi pada mata manusia. Letak selaput pelangi ini
berada diantara kornea dan lensa mata. Selaput pelangi ini
sendiri akan terlihat oleh mata telanjang dari luar mata dan
memiliki pola tertentu.
Metode-metode yang telah digunakan dalam sistem
pengenalan citra iris mata diantaranya dengan menggunakan
neuro fuzzy (Dwi Kris, 2008), JST backpropagation (Geraldi,
2008), wavelet features (Jaemin Kim, 2004), correlation
filters, circular symmetric filters (Vijaya Kumar, 2003).
Sistem pengenalan pola citra iris ini dapat dilakukan
dengan berbantukan komputer, yaitu dengan membangun
sebuah sistem pengenalana pola iris (iris recognition).
Diagram sistem pengenalan pola iris dapat dilihat pada Gbr. 1.
Pada Gbr. 1 dapat dilihat bahwa keberhasilan dalam
pengenalan pola iris mata sangat ditentukan oleh metode yang
digunakan dalam proses pengenalan pola iris tersebut. Pada
tahapan pra-pengolahan, bertujuan untuk memperbaiki
kualitas citra iris sehingga sesuai dengan penyajian data yang
diinginkan. Perbaikan kualitas citra iris ini diantaranya untuk
mempertajan ciri citra iris sehingga hasilnya mudah untuk
dideteksi. Perbaikan citra iris ini meliputi aras keabuan,
penajaman citra iris keabuan tersebut.
Ekstraksi ciri digunakan untuk mendapatkan dan
membedakan ciri dari masing-masing data. Ciri-ciri tersebut
bertujuan untuk membedakan suatu objek sehingga bisa
dikategorikan dalam suatu kelompok tertentu. Hasil dari
ekstraksi ciri tersebut kemudian digunakan sebagai masukan
dalam proses klasifikasi.
Klasifikasi digunakan untuk mengelompokan data inputan
menjadi beberapa kelompok sesuai dengan ciri dari masingmasing data. Penggunaan jaringan syaraf tiruan merupakan
salah satu cara dalam pengklasifikasian. Jaringan syaraf tiruan
jenis LVQ (Learning Vector Quantization) merupakan salah
satu jenis jaringan syaraf tiruan dengan pembelajaran
terbimbing. Tahapan pasca pengolahan merupakan hasil dari
proses klasifikasi yang kemudian berisi sebuah rekomendasi
untuk menentukan sebuah keputusan.
Implementasi Wavelet Haar …
JNTETI, Vol. 3, No. 1, Februari 2014
59
2) Ekstraksi Ciri: Dalam penelitian ini digunakan ciri-ciri
statistik sebagai vektor ciri citra. Citra hasil dekomposisi
wavelet haar level 3 kemudian di pecah menjadi 4 bagian,
seperti Gbr. 3 di bawah ini.
1
1
1
11
33
42
39
40
Gbr. 1 Diagram sistem pengenalan pola iris
II. METODE PENELITIAN
A. Bahan Penelitian
Data citra iris adalah citra iris diperoleh dengan dari basis
data yang diperoleh dengan di download di alamat
http://phoenix.inf.upol.cz/iris/download.
B. Alat Penelitian
Alat/perangkat yang digunakan dalam penelitian ini adalah
komputer dengan spesifikasi cukup untuk menjalankan
perangkat lunak Matlab 7.1 di atas sistem operasi Windows 7.
C. Jalan Penelitian
Langkah-langkah atau tahap-tahap yang dilakukan pada
penelitian ini secara lengkap diperlihatkan pada Gbr. 2.
Gbr. 2 Diagram blok jalannya penelitian
1) Pra-pengolahan: Proses pre pocessing yang dilakukan
adalah dengan mengubah citra iris mata menjadi keabuan
(grayscale). Hal tersebut dilakukan guna meningkatkan
kualitas citra iris mata. Setelah citra iris diubah menjadi aras
keabuan (grayscale), selanjutnya dilakukan proses histogram
pada citra tersebut. Tujuan dari histogram citra ini adalah guna
meningkatkan kualitas tampilan citra untuk pandangan
manusia atau untuk mengkonversi suatu citra agar memiliki
format yang lebih baik sehingga citra tersebut menjadi lebih
mudah diolah dengan komputer (Darma Putra: 119).
Yuwono Indro Hatmojo: Implementasi Wavelet Haar dan ….
1
1
40
49
33
31
35
32
1
59
48
38
37
39
39
38
50
60
37
38
33
31
33
34
59
48
39
31
27
31
33
34
40
38
36
31
32
33
34
37
41
37
33
30
29
34
31
36
46
40
34
30
31
26
31
39
Gbr. 3 Penentuan ciri-ciri statistik dari citra iris mata hasil dekomposisi
wavelets haar level 3
Ciri-ciri statistik yang digunakan adalah rerata dan standar
deviasi dari masing-masing citra iris. Proses ekstraksi ciri
diperlihatkan pada Gbr. 3. Ektsraksi ciri digunakan untuk
membedakan ciri dari masing-masing data. Untuk keperluan
ekstraksi ciri dibuat sebuah fungsi Matlab yang digunakan
untuk mengekstrak ciri-ciri yang dimaksud dari setiap sampel,
untuk semua sampel yang ada. Ciri-ciri tersebut kemudian
disimpan dan akan digunakan dalam tahap selanjutnya yaitu
tahap klasifikasi.
3) Klasifikasi: Pada tahap klasifikasi dilakukan pelatihan
jaringan LVQ yang bertujuan untuk menentukan set ciri citra
latih dan menentukan kestabilan dari jaringan tersebut dan
membedakan citra pustaka. Selain itu juga dilakukan
pengujian jaringan LVQ yang telah dilatih dengan
menggunakan citra uji untuk mendeteksi set ciri pada citra uji
tersebut. Gbr. 4 memperlihatkan Diagram blok dalam tahap
klasifikasi.
Gbr. 4 Diagram blok tahap klasifikasi
Pada penelitian ini digunakan pengklasifikasi LVQ
(Learning Vector Quantization). Peneliti ingin mengetahui
kinerja pengklasifikasi LVQ dalam pengenalan pola citra
selaput pelangi mata dari masing-masing citra pustaka.
Jaringan LVQ yang digunakan dibangun menggunakan
program Matlab dan dirancang dengan lapisan-lapisan inputoutput sebagai berikut.
1. Delapan unit pada lapisan input
Hal ini untuk mengakomodasi jumlah maksimum ciri
yang diekstrak dari sampel citra (rerata, standar deviasi).
Dari masing-masing citra dibagi menjadi empat bagian
ISSN 2301 - 4156
60
JNTETI, Vol. 3, No. 1, Februari 2014
dan masing-masing bagian terdiri dari ciri citra yaitu
rerata dan standar deviasi. Ciri-ciri dari setiap sampel
direpresentasikan dalam sebuah vektor sebagai berikut:
Xi = [x1, x2, x3, x4, x5, x6, x7, x8]
dengan
x1 = rerata (bagian 1),
x2 = Standar Deviasi (bagian 1),
x3 = rerata (bagian 2),
x4 = Standar Deviasi (bagian 2),
x5 = rerata (bagian 3),
x6 = Standar Deviasi (bagian 3),
x7 = rerata (bagian 4),
x8 = Standar Deviasi (bagian 4)
Lima belas unit (neuron) pada lapisan output.
Citra hasil dikelompokan menjadi lima belas keluaran
yaitu y1, y2, y3, sampai dengan y15 dan masing-masing data
keluaran akan ditentukan masuk kegolongan kelompok berapa.
B. Ekstraksi Ciri
Setelah citra iris warna dirubah menjadi citra keabuan.
Kemudian dilakukan proses alihragam gelombang singkat
wavelets. Alihragam ini bertujuan untuk mendapatkan ciri
citra iris.
2.
Gbr. 7 Dekomposisi wavelets Haar level 3
III. HASIL PENELITIAN DAN PEMBAHASAN
A. Pra-pengolahan
Pada pra pengolahan data citra iris, masukan citra yang
digunakan adalah menggunakan citra warna (RGB) dengan
dimensi 128 x 128 piksel. Selanjutnya citra tersebut diubah
menjadi aras keabuan (grayscale). Citra dengan format
grayscale kemudian dilakukan proses hitogram.
i=150;
for i=1:n
namafile=sprintf('%i.png',i);
I=imread(namafile);
I2=rgb2gray(I);
I1=histeq(J);
Data yang digunakan dalam penelitian ini adalah 150 data
citra iris RGB. Pemanggilan data citra tersebut dalam proses
pengubahan menjadi aras keabuan dilakukan secara otomatis
melalui pemanggilan nama file. Contoh hasil dari proses pra
pengolahan dari citra iris RGB menjadi citra iris keabuan
dapat dilihat pada Gbr. 5. Hasil histogram dari citra keabuan
tersebut dapat dilihat pada Gbr. 6.
1 64
70 152
167 147
155 82
108 51
72
47
52
44
46
45
121
145
79
54
50
40
39
38
116
92
52
46
44
37
37
40
98
60
44
43
34
35
37
39
82
53
41
36
30
34
37
33
72 71
50 58
42 43
35 33
32 32
36 37
35 41
44 136
Rerata = 60,4063
Standar Deviasi = 36.4081
Gbr. 8 Penentuan ciri-ciri statistik dari citra iris mata hasil dekompposisi
wavelets haar level 3
Gbr. 5 Citra Grayscale dari citra iris mata
Pemilihan ciri bertujuan untuk mendapatkan ciri citra iris
yang akan digunakan untuk merepresentasikan citra tersebut.
Agar bisa dikenali oleh komputer, maka citra iris harus diubah
menjadi fungsi diskret dengan proses pemindaian yang
dilakukan dengan kamera digital. Tahapan pemilihan ciri pada
penelitian ini yaitu citra iris keabuan dengan alihragam
wavelets untuk mereduksi dimensi citra. Dengan
menggunakan wavelets Haar level 3, citra iris keabuan dengan
ukuran 128 x 128 piksel, akan direduksi dimensi citra tersebut
menjadi ukuran 16 x 16 piksel. Ciri citra akan dimunculkan
dari citra hasil dengan ukuran 16 x 16 piksel tersebut,
kemudian dibagi menjadi empat bagian. Selanjutnya masingmasing bagian akan ditentukan nilai rerata dan standar
deviasinya.
Gbr. 6 Citra hasil histogram
C. Klasifikasi
Data citra iris yang telah memiliki ciri, kemudian dilatihkan
pada jaringan syaraf tiruan LVQ. Masing-masing data citra iris
memiliki empat bagian data, dan masing-masing bagian terdiri
dari 2 data ciri yang diambil dari nilai statistik yaitu rerata dan
standar deviasi. Sehingga, dari masing-masing data citra iris
ISSN 2301 – 4156
Implementasi Wavelet Haar …
JNTETI, Vol. 3, No. 1, Februari 2014
tersebut memiliki 8 jenis data, dan masing-masing data
tersebut akan menjadi data inputan pada jaringan syaraf tiruan
LVQ.
Xi= [60.4063 36.4081 55.9219 34.3693 70.6406 47.5963
68.2656 46.0680]
i
= data ke – i; untuk i=1 sampai 150
61
TABEL I
PENGENALAN CITRA IRIS DENGAN LEARNING RATE 0,01; JUMLAH NEURON
TERSEMBUNYI 40; DAN EPOH 100
No.
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
Pelatihan pada jaringan syaraf tiruan LVQ tersebut
dilakukan dengan terbimbing. Pelatihan jaringan juga telah
ditentukan jumlah kelasnya yaitu sebanyak 15 kelas target.
Hasil grafik pengklasifikasian terlatih selanjutnya dilakukan
dengan merubah beberapa parameter pada jaringan yaitu
Learning rate, jumlah neuron, dan epoh pelatihan. Nilai
parameter yang digunakan untuk melatih jaringan adalah nilai
learning rate 0,01 dan 0,05; jumlah neuron 30 dan 40; serta
epoh pelatihan 100 dan 200
Hasil pelatihan pada proses klasifikasi dengan nilai
Learning rate 0,01; jumlah Neuron 40; dan epoh pelatihan
100, didapatkan grafik di bawah ini.
Data
Uji
Uji1
Uji2
Uji3
Uji4
Uji5
Uji6
Uji7
Uji8
Uji9
Uji10
Uji11
Uji12
Uji13
Uji14
Uji15
Ratarata
Waktu
(detik)
2,15
2,76
2,76
2,51
2,46
2,28
2,47
2,66
2,48
2,34
2,73
2,50
2,39
2,60
2,40
Keterangan
B
B
B
B
B
B
B
B
B
G
B
B
B
G
B
2,50
Kecocokan
(%)
100
100
100
100
100
100
100
100
100
0
100
100
100
0
100
87
Keterangan: B (Berhasil ditemukan); G (Gagal ditemukan)
Gbr. 9 Grafik Pengklasifikasian terlatih dengan learning rate 0,01; jumlah
neuron 40; dan epoh pelatihan 100
Grafik pengklasifikasian terlatih untuk learning rate
0,01; jumlah neuron 40; dan epoh pelatihan 100 menunjukan
bahwa jaringan mendekati stabil setelah 75 epoh. Namun
setelah epoh 75, grafik masih mengalami riple sampai dengan
epoh 100. Hal tersebut menunjukkan bahwa sampai epoh ke
75, jaringan mendekati kestabilan, namun dengan data
pelayihan sebanyak 150 dengan 15 kelas masih mengalami
pergeseran pengelompokan kelas dan jarak antara anggota
kelas belum sama.
1) Pengujian: Pengujian jaringan LVQ dilakukan
menggunakan 15 citra uji. Pada Tabel I ditunjukkan bahwa
proses pengenalan citra iris menggunakan beberapa citra uji
dengan wavelets haar dan jaringan syaraf tiruan model LQV
untuk learning rate 0,01; jumlah neuron 40 serta epoh 100
memiliki rata-rata waktu pengenalan 2,50 detik. Untuk citra
uji 10 dan 14 mengalami kegagalan dalam menemukan citra.
Pengenalan citra tercepat pada data uji 1 dengan keberhasilan
100%. Kecocokan dalam proses pengenalan citra iris rata-rata
87%.
Yuwono Indro Hatmojo: Implementasi Wavelet Haar dan ….
IV. KESIMPULAN
Berdasarkan hasil penelitian dan pembahasan dapat ditarik
kesimpulan sebagai berikut:
A. Penggunaan nilai-nilai statistik dari transformasi wavelet
Haar level 3 mampu digunakan dalam pengenalan pola iris
mata.
B. Penggunaan nilai-nilai statistic berupa rerata dan standar
deviasi mampu digunakan untuk pengenalan pola citra iris
mata dalam proses klasifikasi menggunakan LVQ.
C. Proses peningkatan citra iris mata dengan menggunakan
gelombang singkat (wavelet) Haar yang dipadukan dengan
jaringan syaraf tiruan LVQ terhadap pengenalan pola citra
iris dengan berbagai nilai learning rate, jumlah neuron dan
epoh pelatihan menunjukan bahwa:
1) Terjadi peningkatan prosentase pengenalan dari 67%
meningkat menjadi 87%.
2) Terjadi peningkatan kecepatan waktu dalam
pengenalan dari 2,33 detik meningkat menjadi 2,15
detik.
3) Peningkatan prosentase pengenalan dan kecepatan
waktu pengenalan tersebut terjadi pada jaringan dengan
nilai learning rate 0,01; jumlah neuron 40 dan epoh
pelatihan 100
REFERENSI
[1]
[2]
[3]
[4]
Li Ma, Yunhong Wang, Tieniu Tan, Iris Recognition Using Circular
Symmetric Filters, National Laboratory of Pattern Recognition,
Institute of Automation, Chinese Academy of Sciences, China
Kim. J, Cho. S, Choi. J, ROBERT J. MARKS II, Iris Recognition
Using Wavelet Features, Journal of VLSI Signal Processing 38, 147–
156, 2004, Kluwer Academic Publishers. Manufactured in The
Netherlands
Li Ma, Yunhong Wang, Tieniu Tan, Iris Recognition Based on Multi
channel Gabor Filtering, The 5th Asian Conference on Computer
Vision, 23--25 January 2002, Melbourne, Australia.
C. H. Daouk, L. A. El-Esber, F. D. Kammoun and M. A. Al Alaoui,
IRIS RECOGNITION, IEEE ISSPIT 2002
ISSN 2301 - 4156
62
[5]
[6]
[7]
[8]
[9]
JNTETI, Vol. 3, No. 1, Februari 2014
Daugman. J., How Iris Recognition Works,
www.CL.cam.ac.uk/users/jgd1000 diambil tanggal 15 januari 2005.
Gede, Kanata, Pengenalan Citra Sidik Jari Berbasis Transformasi
Wavelet dan Jaringan Syaraf Tiruan,
http://puslit.petra.ac.id/journals/electrical diambil tanggal 15 januari
2005
Putra, Darma, Pengolahan Citra Digital, Andi Offset, 2010
Maimunah, Harjoko, Sistem Pengenalan Iris mata Manusia dengan
Menggunakan Transformasi Wavelet, Seminar Nasional Aplikasi
Teknologi Informasi, 2007
Yustisia, Rosmalinda, Jaringan Syaraf Tiruan Learning Vector
Quantization untuk Aplikasi Pengenalan Tanda Tangan, Seminar
Nasional Aplikasi Teknologi Informasi, 2007
ISSN 2301 – 4156
[10] Isnanto Rizal, Identifikasi Iris Mata menggunakan Tapis Gabor
Wavelets dan Jaringan Syaraf Tiruan Learning Vector Quantization
(LVQ), Artikel Ilmiah Terpublikasi, Universitas Diponegoro, 2009
[11] Oktio Geraldi, Identifikasi Iris Mata Menggunakan Metode Jaringan
Syaraf Tiruan, Skripsi, Universitas Indonesia, 2008
[12] Ronald; Rizal; Ary M, Pengenalan Identitas Manusia melalui Pola Iris
Mata menggunakan Transformasi Wavelet dan Mahalanobis Distance,
Konferensi Nasional Sistem dan Informatika, Bali, 2008.
[13] Anonim, 2013, Petunjuk Penulisan Usulan Penelitian dan Tesis,
Program Pascasarjana Universitas Gadjah Mada Yogyakarta.
Implementasi Wavelet Haar …